科技 腾讯新闻 · DeepTech深科技 · 昨天 23:01 · AI 生成
"机器学习之父"Michael Jordan：AGI就是个炒作概念，AI的下一个战场不在实验室，而是经济学 Michael Jordan（机器学习领域奠基人之一）在接受 MLST 采访时，系统批判了当前以 AGI 为核心的 AI 叙事。他认为这仅是公关话术，扭曲了技术方向与商业模式，并伤害了年轻研究者。Jordan 提出 AI 下一个战场不在实验室，而是经济学：真实世界的系统涉及多方利益与信息不对称，仅靠“优化”单个模型不够，必须转向“均衡”与“协调”的视角。文章结合其新论文，讨论了激励机制设计、不确定性分类（抽样/信息不对称/来源）、以及模型何时可信等具体问题，提供了与主流深度学习路线截然不同的智识框架。适合对 AI 底层逻辑、产业与社会影响有深度追问的读者。原文 ↗ 原文 ↗
核心观点
▍ AGI 是一个公关术语（PR term），是炒作和空话，正在扭曲行业对技术方向和商业模式的判断，并对抱有热情的年轻人产生不良影响。 ▍ AI 下一个核心战场不在实验室的模型优化，而在经济学领域，需要解决多方参与者之间的数据流动、利益分配、激励设计和协调问题。 01 在视觉与语言模型流行前，机器学习（决策树、逻辑回归等）已在供应链、交通、金融等系统运行数十年，创造真实价值，但未被公众视为“AI”。 02 Jordan 指出，梯度下降、互联网数据基础设施、大规模分布式计算等关键基础设施是前一代研究者二三十年建立的成果，而今天最受瞩目的 AI 公司（如 Elon Musk 和 Sam Altman 的公司）是在此基础上发展。 03 经济学的“协调”观念是解决真实世界问题的关键，而当前机器学习最擅长的“优化”（如预测下一个词）在面对多方利益、信息不对称时存在根本局限。 04 以药品审批为例说明激励机制设计的重要性：制药公司有动机提交更多（甚至效果不佳的）药物以博取获批，监管机构若仅分析提交数据而不考虑“送数据者”的激励，系统会失效。 05 利用 AlphaFold 检验新生物学假设时发现，模型在知识边缘问题上给出看似确定的答案，却与实际结果存在偏差，因为它不会提供误差棒。 06 Jordan 将现实世界不确定性分为三类：抽样不确定性、信息不对称产生的不确定性、以及数据来源（provenance）不确定性，认为 LLM 并未真正理解或处理这些不确定性。 反方 / 局限
— Jordan 承认其“交叉跨学科训练”的观点可能不被传统人文学科同事认同，对方会认为核心仍是人文学科。 16 分钟 · 5 卡片 · 13 资料
读原文 →
概念锚点 三种不确定性：AI 必须学会区分的三件事
Jordan 把现实世界的不确定性拆成三类：抽样不确定性（增加样本能减小）、信息不对称不确定性（对方隐瞒或撒谎，加样本没用）、来源不确定性（数据何时何地产生？十年前的手术成功率现在不适用）。当前 LLM 面对「你有多确定」时只是在模仿训练语料里人们表达置信度的语气，并不是在做严格的不确定性推理。鸭子按食物比例随机选择觅食地形成纳什均衡的故事，说明在某些场景下不确定性不是缺陷，而是系统稳定的前提。
▸ 2 条关联资料
▼
前置背景 乔丹是谁：被同名球星淹没的机器学习奠基人
迈克尔·I·乔丹是机器学习领域真正的奠基人之一。Science 曾将他评为计算机科学界最具影响力的学者，他培养的学生包括吴恩达、Yoshua Bengio、Zoubin Ghahramani 等后来影响整个行业的人物。与关注「涌现能力」的深度学习路线不同，他的统计机器学习路线六七十年来更关心不确定性、推断与决策——在信息不完整的现实世界里，系统如何做出可靠判断。理解这个背景，才能明白他为什么对 AGI 炒作如此不以为然。
▸ 3 条关联资料
▼
平行视角 AGI 阵营：奥特曼与哈萨比斯的对立路线
Jordan 把 AGI 骂成「公关术语」之时，OpenAI 的 Sam Altman 坚信规模定律会带来质变，认为 AGI 将像晶体管一样静悄悄地渗透一切；DeepMind 创始人 Demis Hassabis 则延续 2010 年以来的判断，认为 AGI 五年内就能实现，且谷歌仍是最可能做出关键突破的实验室。同一笔账两种叙事：一方把「预测下一个词」的统计拟合推向极致，另一方认为 Jordan 式的博弈视角才是 AI 进入真实世界的必由之路——这场路线之争决定了未来十年的资源分配与研究方向。
▸ 3 条关联资料
▼
未来推演 经济学思维如何接管 AI 系统设计
Jordan 的核心主张是：AI 的下一战场在「协调」而不是「优化」。药物审批不是统计问题——制药公司有动力把疗效存疑的药塞进流程，监管必须设计激励机制让企业自己筛选。数据市场、平台隐私治理同理，表面是技术问题，底下全是利益冲突与激励错位。当下已能看到两个信号：国内高校纷纷开设「机器学习与金融经济学」交叉会议，国家数据局开始探索词元统一计量——学界的均衡理论和市场的治理实践正在从两端朝 Jordan 画的三角形中间靠拢。
▸ 3 条关联资料
▼
延伸追问 模型不给误差棒，科学还站得住吗
Jordan 用 AlphaFold 举例——它能精准预测两亿个蛋白质结构，却不会在「这个具体问题我不可靠」时主动给出误差棒。生物学家拿它验证新假设时，模型自信的错解反而比不自信更危险。真正值得追问的不是「模型够不够强」，而是：当模型不可避免存在偏差时，我们如何建立一套科学方法，让 AI 仍能产出可靠结论？AlphaFold 团队本身就反感「理解」这个词，但他们也没给出误差棒的工程方案。
▸ 2 条关联资料
▼